[ICCV2025]EAMamba：面向图像恢复的高效全能视觉状态空间模型

图像恢复是低级计算机视觉中的关键任务，旨在从退化图像中重建高质量图像。近年来，受先进状态空间模型 Mamba 启发而提出的 Vision Mamba 推动了该领域的发展。Vision Mamba 在以线性复杂度建模长程依赖方面表现出色，这对于图像恢复任务而言是一个重要优势。然而，尽管 Vision Mamba 在性能上具有潜力，其在低级视觉任务中仍面临一些挑战，如计算复杂度随扫描序列数量增加而增长，以及局部像素遗忘问题。 为了解决上述问题，本文提出了一种增强框架——Efficient All-Around Mamba（EAMamba）。该方法引入了一个多头选择性扫描模块（Multi-Head Selective Scan Module，MHSSM）及全向扫描机制。MHSSM 能够高效聚合多条扫描序列，从而在不增加计算复杂度和参数量的前提下提升建模能力。全向扫描策略通过多种扫描模式捕获图像的整体信息，有效缓解了局部像素遗忘的问题。

我们在多项图像恢复任务上对所提出方法进行了实证评估，包括超分辨率、去噪、去模糊和去雾等。实验结果表明，EAMamba 在保持优越性能的同时，相较于现有低级 Vision Mamba 方法实现了 31% 至 89% 的 FLOPs 减少。相关源代码已开放，详见项目主页：https://github.com/daidaijr/EAMamba。